Comparison of drone and vessel-based collection of microbiological water samples in marine environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many water quality metrics cannot be measured in situ and require collection of a physical sample for laboratory analysis. This includes microbiological samples for detection of fecal coliform bacteria in marine and freshwater systems which are a critical component of food safety programs for human consumption of bivalve shellfish worldwide. Water sample collection programs are typically vessel-based which can be time and resource intensive. In Canada, the Canadian Shellfish Sanitation Program aims to avoid consumption of contaminated molluscan bivalves by monitoring fecal coliform bacteria through vessel-based water sample collection. Uncrewed aerial vehicles or drones are becoming more commonly used for water sample collection given their relatively low cost but are rarely used to support microbiological analyses. A prerequisite for the acceptance of a new collection method for a regulatory program is to determine if the method of sample collection affects results. To assess this potential, we designed, developed, and tested a sampling device attached to the underside of a drone to collect water samples for bacteriological analysis. Drone and vessel-based samples were collected in the same location, at the same 20-cm depth, within a minute apart, at ten different geographic locations in coastal Nova Scotia waters to compare fecal coliform counts. Bacterial count estimates obtained from drone-collected samples were not significantly different than estimates obtained from vessel-collected samples (p < 0.5). Results from this study suggest novel water sampling techniques using drones could supplement or replace traditional vessel-based sampling methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle